Zyski:
- Umiejętność wyjaśnienia przepływu pracy związanego z przewidywaniem porowatości, przepuszczalności i właściwości zbiorników za pomocą sztucznej inteligencji
- Umiejętność wykorzystania uczenia maszynowego w interpretacji logów studni, klasyfikacji facji i prognozowaniu produkcji
- Możliwość weryfikacji wydobycia ze złóż poprzez granice fizyczne, testowanie odwiertów i analizę niepewności
Złoże ropy lub gazu to niewidzialna skarbnica płynów uwięzionych w porowatej skale, wiele kilometrów pod powierzchnią. Nie możemy tego zobaczyć bezpośrednio; „Odczytujemy” je jedynie z kłód, rdzeni, cieni sejsmicznych i danych produkcyjnych, które otrzymujemy z odwiertów. Charakterystyka zbiornika polega na odtworzeniu na podstawie tych pośrednich pomiarów ilości płynu zawartego w skale (porowatość), łatwości uwalniania płynu (przepuszczalność) oraz rodzaju trójwymiarowej struktury zbiornika. Sztuczna inteligencja ma potężną moc w tej dziedzinie: interpretuje kłody studni, klasyfikuje facje (zespoły typów skał), prognozuje relacje porowatość-przepuszczalność i modeluje trendy produkcyjne. Jednak zbiorniki, podobnie jak inne pola geologiczne, są pełne niepewności i nie każda prognoza może stanowić podstawę decyzji bez powiązania z granicami fizycznymi, badaniami odwiertów i analizą niepewności.
W tej części omówimy trzy aspekty AI badania złóż: interpretację kłód odwiertu i klasyfikację facji (wydobywanie rodzaju skał i właściwości z kłód), przewidywanie porowatości i przepuszczalności (przewidywanie jakości zbiornika) oraz przewidywanie produkcji (ile będzie produkować odwiert w przyszłości). Geostatystyka również tutaj stanowi podstawę; Przestrzenie między studzienkami wypełniamy wariogramem i symulacją. Uwaga: sektor ropy i gazu jest bardzo wrażliwy pod względem handlowym; Wszystkie próbki są badane przy użyciu anonimowych i reprezentatywnych wartości.
Interpretacja logów studni i klasyfikacja facji
Dzienniki studni to krzywe, które w sposób ciągły mierzą właściwości fizyczne skały wzdłuż odwiertu: promieniowanie gamma (zawartość gliny), rezystywność (rodzaj płynu – woda/węglowodór), gęstość i neutrony (porowatość), dźwięk (twardość skały). Geolog naftowy odczytuje te krzywe razem i wyodrębnia rodzaj skały oraz płyn na każdej głębokości. To rozpoznawanie wzorców i sztuczna inteligencja jest w tym bardzo dobra: konsekwentnie sortuje dziesiątki tysięcy metrów kłód na facje.
Ale są dwie granice. Po pierwsze, interpretacja log jest modelem, a nie pomiarem; Ten sam dziennik może być otwarty na różne interpretacje facjalne. Po drugie, jeśli model na ślepo przenosi poznaną relację log-facja z jednego pola do innego (inne środowisko depozycyjne, inna diageneza), popełnia poważne błędy. Dlatego wyniki facjalne są kalibrowane przy użyciu podstawowych danych; Rdzeń jest kotwicą, która łączy interpretację dziennika z podstawową prawdą.
Wskazówka: zanim zaufasz wynikom modelu facjalnego, zadaj sobie pytanie: „w których odwiertach wykonano rdzenie i jak dokładny jest model w tych odwiertach?” zapytać. Niepotwierdzone oszacowanie facji jest niesprawdzoną hipotezą, bez względu na to, jak wiarygodna może się wydawać.
Porowatość i przepuszczalność: najbardziej krytyczne rozróżnienie
Dwa klucze do jakości zbiornika to porowatość i przepuszczalność, a różnica między nimi jest jednym z najważniejszych punktów stosowania sztucznej inteligencji. Porowatość to współczynnik pustki w skale, który można wyznaczyć z kłód z rozsądną dokładnością. Przepuszczalność to łatwość przepływu płynu przez skałę i nie jest mierzona bezpośrednio na podstawie kłód; ale szacuje się to pośrednio. Przepuszczalność jest wykładniczo wrażliwa na małe zmiany porowatości i zależy od geometrii porów, pęknięć i cementacji.
Dlatego przewidywanie przepuszczalności za pomocą uczenia maszynowego jest zarówno atrakcyjne, jak i niebezpieczne. Model uczy się porowatości w studniach rdzeniowych i przepuszczalności innych kłód; ale związek, którego się uczy, jest specyficzny dla tej facji i tego warunku ciśnienie-temperatura. Ekstrapolacja na inną litologię lub na odwiert bez rdzenia (wykraczający poza wyuczony zakres) spowoduje duże błędy. Oszacowanie przepuszczalności musi być powiązane z pomiarami rdzenia i testowaniem odwiertów (testy spadku ciśnienia/pęcznienia dają rzeczywiste zachowanie przepływu).
Uwaga: Nawet jeśli oszacowanie przepuszczalności daje „dobrze wyglądający” wykres, jest on niewiarygodny, jeśli zostanie zastosowany poza warunkami facjalnymi i ciśnieniowymi danych szkoleniowych. Model uczy się korelacji, a nie faktu fizycznego; zawsze testuj za pomocą testów podstawowych i dobrze.
Prognoza produkcji i niepewność
To, ile odwiertu wydobędzie w przyszłości, zależy od ilości płynu, jaki magazynuje i dostarcza. Metody klasyczne (analiza krzywej spadku) rozszerzają przeszły trend produkcyjny w przyszłość; Sztuczna inteligencja wzbogaca ten trend danymi z wielu odwiertów i uczy się na podstawie wzorców sąsiednich odwiertów. Jednak prognozowanie produkcji jest z natury niepewne: zbiornik jest niejednorodny, zmienia się ciśnienie, zmieniają się warunki pracy. Dlatego też przedstawiono zakres probabilistyczny (scenariusz niski/średni/wysoki), a nie pojedynczą „dokładną” krzywą produkcji.
Geostatystyka niesie ze sobą również niepewność przy wypełnianiu objętości między odwiertami. Metody takie jak sekwencyjna symulacja Gaussa dają wiele równie prawdopodobnych modeli, a nie pojedynczy model „przeciętny”; Różnica pomiędzy tymi modelami polega na samej niepewności. Sztuczna inteligencja przyspiesza i interpretuje te symulacje; ale zredukowanie wyniku do jednej liczby stwarza fałszywą pewność, ukrywając niepewność.
Trzy mini etui: w liczbach
Przypadek 1 – Błąd ekstrapolacji. Model przepuszczalności wytrenowany w trzech odwiertach rdzeniowych w jednym miejscu dał przewidywania, które w przypadku czwartego odwiertu okazały się doskonałe. Jednak studnia ta znajdowała się w facjach bardziej gliniastych i model nigdy nie widział tego odstępu; badania odwiertów wykazały, że rzeczywista przepuszczalność wynosi około jednej piątej szacunkowej. Model został poważnie wzięty za „dobrze wyglądający” wykres; Kotwica testowa odwiertu wyłapała błąd.
Przypadek 2 – Kalibracja facjalna. Na jednym polu gazowym sztuczna inteligencja szybko posortowała kłody z 14 odwiertów na facje. W porównaniu z trzema odwiertami rdzeniowymi strefa, którą model sklasyfikował jako „czysty piaskowiec”, była w rzeczywistości spękaną jednostką o niskiej jakości. Dzięki kalibracji rdzenia model został ponownie przeszkolony, a szacunkowa objętość zbiornika obniżona do realistycznego poziomu.
Przypadek 3 — Uczciwość scenariusza. W prognozie produkcji model przedstawił pojedynczą krzywą i przedstawił dziesięcioletnią produkcję w liczbach nieparzystych. Kiedy zespół wygenerował scenariusz niski/średni/wysoki w drodze symulacji sekwencyjnej, odkrył, że zakres był bardzo szeroki (scenariusz wysoki był około dwukrotnie niższy). Szerokość ta wskazywała, że podjęcie decyzji inwestycyjnej wymagało przeprowadzenia dodatkowych badań odwiertu; Pojedyncza liczba niebezpiecznie ukrywała tę niepewność.
Słaba podpowiedź/silna podpowiedź
Słaba zachęta:
Przyjrzyj się kłodom studni, oblicz przepuszczalność i powiedz, ile wyprodukuje studnia. [dane dziennika]
Potężny monit:
Twoja rola: Asystent geologa zbiornikowego. Podawanie JEDNEJ DOKŁADNEJ LICZBY przepuszczalności i produkcji za pomocą dzienników poniżej. Zamiast tego: 1) Określ, które odwierty można potwierdzić za pomocą rdzenia podczas dokonywania interpretacji facjalnej.2) Wyjaśnij, że oszacowania przepuszczalności nie można zmierzyć bezpośrednio na podstawie logów, w jakich warunkach (facie/ciśnienie) będzie ono ważne oraz o konieczności przeprowadzenia badań rdzenia/odwiertu.3) Ustal logikę scenariusza niskiego/średniego/wysokiego dla produkcji, a nie pojedynczą krzywą.4) Wymień 4 źródła niepewności, które mają wpływ na wynik. Dane są anonimowe; Brak prawdziwej branży/firmy.
Cztery szablony do kopiowania
1) Kontrola kalibracji logarytmicznej:
Wyjaśnij, które studnie są rdzeniowane w celu klasyfikacji facji i w jaki sposób możemy zmierzyć dokładność modelu w tych studniach. Oznacz niezweryfikowane strefy jako „nieprzetestowane”; Nie ufaj ślepo.
2) Walidacja przepuszczalności:
W przypadku przewidywania przepuszczalności: określ facje i zakres ciśnień, dla których model jest szkolony; Zaznacz, które odwierty/strefy znajdują się poza tym zakresem (ekstrapolacja). Podkreśl, że nie należy ufać prognozom bez podstawowych i dobrych testów w tych strefach. Nie podawaj dokładnej liczby.
3) Projekt scenariusza produkcji:
Ustala logikę scenariusza niskiej, średniej i wysokiej produkcji na podstawie krzywej spadku/danych dotyczących produkcji. Wyjaśnij, na jakich założeniach opiera się każdy scenariusz i jakie są różnice między nimi. Nie oferuje żadnej jednej „dokładnej” krzywej.
4) Interpretacja symulacji niepewności:
Zinterpretuj wyniki wielu równie prawdopodobnych modeli geostatystycznych (np. symulacji sekwencyjnej): jak szeroki jest rozkład szacunkowej objętości, który region jest najbardziej niepewny i za pomocą jakich dodatkowych danych (no cóż, sejsmicznych) zawęża się tę niepewność? Redukcja do jednej liczby.
Specyfikacja zbiornika, pomiarowość i weryfikacja
funkcja/wyjście
Czy można to zmierzyć z kłód?
Ryzyko AI
kotwica weryfikacyjna
porowatość
Wyprowadzono z rozsądną dokładnością
Dryft kalibracyjny
Porowatość rdzenia
przepuszczalność
Nie, pośrednie przypuszczenie
Błąd ekstrapolacji
Test rdzenia + studni
twarze
Komentarz (model)
Transport poza terenem zakładu
definicja rdzenia
Rodzaj płynu
Wnioskuję z oporności
zły komentarz
Testowanie ciśnienia/próbki
Prognoza produkcji
przedłużenie trendu
fałszywa pewność
Scenariusz + test studni
Wskazówka: w przypadku każdego oszacowania dotyczącego zbiornika „jaki bezpośredni pomiar mógłby to obalić?” Przetestuj to, mówiąc. Rdzeń na porowatość, badanie studni na przepuszczalność, definicja rdzenia dla facji. Przewidywania, których nie można obalić bezpośrednimi pomiarami, nie zostały jeszcze potwierdzone.
Typowe błędy
- Postrzeganie przepuszczalności jako porowatości. Przepuszczalności nie mierzy się bezpośrednio z kłód; Ekstrapolacja daje duże błędy, niezbędne jest badanie rdzenia/odwiertu.
- Korzystanie z modelu facjalnego bez rdzenia. Facja, która nie została skalibrowana przez rdzeń, jest hipotezą niesprawdzoną.
- Przeniesienie wyuczonej relacji na inny obszar. Różne środowisko depozycji i diageneza zmieniają relację log-cecha.
- Przedstawienie produkcji za pomocą jednej krzywej. Jeżeli w scenariuszach nie jest podana niepewność, decyzja inwestycyjna opiera się na fałszywej pewności.
- Sprowadzenie symulacji do średniej. Wiele modeli wskazuje na niepewność; Zmniejszenie go do jednej liczby niszczy informację.
Podsumowując
- Zbiornik jest niewidoczny; Odczytuje się je pośrednio z logów, danych rdzeniowych, sejsmicznych i produkcyjnych, a każda prognoza niesie ze sobą niepewność.
- Porowatość można uzyskać z kłód; Przepuszczalności nie mierzy się bezpośrednio, należy ją połączyć z badaniem rdzenia i odwiertu.
- Klasyfikacja facji jest modelem; niewiarygodne bez kalibracji przez rdzeń i transportu poza plac budowy.
- Wyuczona relacja jest specyficzna dla warunków edukacyjnych; Ekstrapolacja jest najczęstszym i niebezpiecznym błędem.
- Produkcja i wolumen są przedstawiane nie w postaci pojedynczej liczby, ale probabilistycznego scenariusza i symulacji, z wyraźnie podaną niepewnością.
Zadanie aplikacji
Uzyskaj anonimowy zestaw dzienników odwiertów (lub reprezentatywnych wartości). Niech model ustali, które strefy są zagrożone ekstrapolacją, korzystając z szablonu „walidacji przepuszczalności”; Sprawdź, czy stymuluje strefę, celowo umieszczając ją poza zasięgiem treningu. Następnie użyj szablonu „szkic scenariusza produkcyjnego”, aby utworzyć scenariusz niski/średni/wysoki zamiast pojedynczej krzywej i skomentuj szerokość zakresu w zdaniu.
lista kontrolna
- [ ] Znam różnicę w mierzalności pomiędzy porowatością a przepuszczalnością i że przepuszczalność wymaga badania rdzenia/odwiertu.
- [ ] Nie uważam klasyfikacji facji za wiarygodną bez kalibracji za pomocą rdzenia.
- [ ] Zdaję sobie sprawę z ryzyka ekstrapolacji wyuczonej relacji na inny obszar/warunek.
- [ ] Przedstawiam produkcję i wolumen za pomocą probabilistycznych scenariuszy i symulacji zamiast pojedynczych liczb.
- [ ] „Jaki bezpośredni pomiar mógłby obalić szacunki każdego zbiornika?” Sprawdzam to za pomocą pytania.